CN103955946B - 一种基于协作与竞争模式的蚁群近邻细胞跟踪系统及其应用 - Google Patents

Abstract

本发明公开了一种基于协作与竞争模式的蚁群近邻细胞跟踪系统，由始蚁群分布及粗分类模块，多蚁群决策模块和融合及删除模块组成；初始蚁群分布及粗分类模块，利用近似平均方法提取细胞的前景图像从而获得初始蚁群分布，然后利用K均值聚类的方法把它粗略的分为N组子蚁群；多蚁群决策模块，基于协作与竞争模式构建N个独立的子信息素场和总信息素场共同作用下的细胞位置估计模块；融合及删除模块，基于信息素场构建，通过合并相似子蚁群和去除由杂波导致的虚假目标进行多细胞位置估计，并利用易于实现的近邻法进行细胞关联获取细胞运动轨迹和动力学参数。本发明能解决近邻多细胞多参数估计与跟踪难题。

Description

一种基于协作与竞争模式的蚁群近邻细胞跟踪系统及其应用

技术领域

本发明涉及一种基于协作与竞争模式的蚁群近邻细胞跟踪系统及其应用。

背景技术

细胞运动分析在细胞生物学领域有非常重要的应用价值。细胞跟踪技术是研究细胞动力学行为最有效的工具之一，无论是在信息科学领域还是在生命科学领域都是一个极具挑战性且应用性很强的课题。细胞运动分析面临着众多难题，如细胞近邻、细胞分裂、多细胞动力学特性差异、细胞重叠、细胞数量变化、低对照比细胞图像序列等等。传统的人工方法是一个烦躁耗时的过程，处理的数据较少。本发明拟用蚂蚁群智能搜索行为对近邻多细胞运动特性进行研究，设计相应的近邻多细胞自动跟踪技术。该技术与目前广泛应用的人工细胞跟踪方法相比，它能够克服耗时多、误差大、鲁棒性差等缺点

在过去的几十年中许多自动细胞跟踪方法被提出来。基于检测技术的跟踪方法是一种经典的跟踪办法，该方法分为分割与跟踪两步，分割的任务就是在每帧中提取细胞信息(形状、重心、面积等)，跟踪的任务就是将连续帧中所提取的细胞进行关联，找出各细胞的运动轨迹、计算细胞运动速度等。基于模型调整或变化的跟踪方法，该方法主要应用于细胞的轮廓信息难以提取等场合，该方法将给定的细胞初始外形轮廓，通过参数优化方法使之变形来拟合图像中的目标对象，细胞的运动轨迹就从不同帧里自动提取出，通常所用的主动轮廓法(即Snake方法)、水平集方法(Level-Set)和均值偏移法(Mean-Shift)都属于此类跟踪方法，这些方法都有一个共同特点，即用上一帧所得到的模型参数作为当前帧图像分析的起始条件或先验信息。基于贝叶斯概率估计方法利用先验的一些信息和测量信息来估计细胞状态的后验概率密度函数。由于细胞跟踪问题是一个非线性、非高斯参数估计问题，因此，所对应的Bayesian滤波没有解析解，然而可用数值近似的方法进行求解，如粒子滤波器(Particle Filter，有时称Sequential Monte-Carlo)。

正确跟踪近邻多细胞在细胞跟踪中还是一个难题，目前的技术还很少能处理这些情况，跟踪的精确性和稳定性都不足，对于近邻多细胞的动力学特性的差异，其跟踪性能未加以研究等等。本发明旨在解决由于运动或分裂而产生的细胞近邻、动力学特性存在差异、细胞数目时变等跟踪难题，通过背景提取方法获得细胞特征信息，利用一种基于协作与竞争模式的不同任务蚁群方法进行跟踪，从而实现多个近邻细胞的自动跟踪。

发明内容

本发明提供了一种基于协作与竞争模式的蚁群近邻细胞跟踪系统，包含以下模块：

1)初始蚁群分布及粗分类模块，利用近似平均方法提取细胞的前景图像从而获得初始蚁群分布，然后利用K均值聚类的方法把它粗略的分为N组子蚁群；

2)多蚁群决策模块，基于协作与竞争模式构建N个独立的子信息素场和总信息素场共同作用下的细胞位置估计模块；

3)融合及删除模块，基于信息素场构建，通过合并相似子蚁群和去除由杂波导致的虚假目标进行多细胞位置估计，并利用易于实现的近邻法进行细胞关联获取细胞运动轨迹和动力学参数。

所述初始蚁群分布及粗分类模块的工作步骤如下：

1)细胞图像背景提取：利用近似平均方法提取细胞的背景图像，近似平均方法是一种迭代的方法，把背景图像上的像素值和当前图像的像素值进行对比，如果背景像素大，则背景像素减1，否则加1，最终背景模型就收敛到一个值；

2)细胞图像前景获取：当前帧图像像素和背景模型图像相应像素比较，如果两者的差值大于某一阈值，则此像素点属于前景，其公式为：

其中I(i)是当前帧图像，B(i)是且背景图像 $B\left(i\right)=\left\{\begin{array}{ccc}B\left(i\right)+1& \mathrm{if}& I\left(i\right)>B\left(i\right)\\ B\left(i\right)-1& \mathrm{if}& I\left(i\right)<B\left(i\right)\end{array}\right.,$ I₁(i)是前景目标图像，I₂(i)是二值图像；

3)初始蚁群分布：检查二值图像I₂(i)，如果某个像素点i的值为“1”，则将蚂蚁置放在该像素i上，否则，该像素i不分配任何蚂蚁；

4)分类：利用K均值聚类方法把初始蚁群粗略的分为N组子蚁群，每一组有各自的信息素场并在其上工作。

所述多蚁群决策模块的工作步骤如下：

1)针对某一个子蚁群s(s＝1∶N)中的蚂蚁在像素i所在位置，考虑到与其他子蚁群间的竞争与协作，分别考虑总信息素量τ_j(t)和相对量为此，该蚂蚁选择其邻域中某一像素j的 概率为：其中似然函数定义为 是第s个子蚁群在像素j上的信息素量，τ_j(t)为信息素总量，定义为α，β，γ分别为总信息素、似然函数值和信息素相对量的控制参数，H(i)为像素i的近邻像素集，同时释放一定量的信息素(如果他选择像素j)， (未选择，还处于像素i的位置)；

2)当所有蚂蚁按上述概率完成选择后，计算由所释放信息素引起的信息素扩散 $q_{1,j}^s\left(t\right)=\underset{j^{\&prime;}\&Element;H\left(j\right)}{\mathrm{\&Sigma;}}\frac{P}{\left|H\left(j^{\&prime;}\right)\right|}{r}_{j^{\&prime;}}^s\left(t\right)=\frac{P}{\left|H\left(j^{\&prime;}\right)\right|}\underset{j^{\&prime;}\&Element;H\left(j\right)}{\mathrm{\&Sigma;}}\underset{k}{\mathrm{\&Sigma;}}\mathrm{\&Delta;}{r}_{j^{\&prime;}}^{s,k}\left(t\right),$ 更新像素j的信息素量 ${\mathrm{\&tau;}}_j^s(t+1)=\mathrm{\&rho;}{\mathrm{\&tau;}}_j^s\left(t\right)+r_j^s\left(t\right)+q_j^s\left(t\right),$ 更新信息素扩散值 $q_j^s\left(t\right)=q_{1,j}^s\left(t\right)+\underset{j^{\&prime;}\&Element;H\left(j\right)}{\mathrm{\&Sigma;}}\frac{P}{\left|H\left(j^{\&prime;}\right)\right|}{q}_{j^{\&prime;}}^s(t-1);$

3)N组子蚁群完成迭代后，计算总信息素量

4)继续上述步骤1-3，直至所需的迭代次数。

所述融合及删除模块的工作步骤如下：

1)任两组子蚁群s₁，s₂，其对应的信息素均为则最大信息素值所对应的像素为 依据细胞大小的先验信息构建相应的正方形方块，计算其面积重叠率O_overlap，若O_overlap＞σ₁，则两个子蚁群组合并，其中σ₁为阈值；

2)虚假目标移除：假定细胞尺寸范围先验已知，若某一子蚁群的蚂蚁数量为则当认为此目标是由杂波或干扰引起的，删除此子蚁群，σ₂为阈值；

3)数据关联：利用易于实现的近邻法进行数据关联获取细胞运动轨迹及相关的动力学参数。

本发明还提供了一种基于协作与竞争模式的蚁群近邻细胞跟踪方法，步骤如下：

1)将包含有由于运动或分裂而产生的近邻多细胞的图像输入，图像序列利用近似平均方法提取细胞的前景图像从而获得初始蚁群分布，然后利用K均值聚类的方法把它粗略的分为N组 子蚁群，每一组有各自的信息素场并在其上工作；

2)构建N个独立的子信息素场和总信息素场共同作用下的细胞位置估计蚁群决策系统；

3)通过合并相似子蚁群和去除由杂波导致的虚假目标进行多细胞位置估计，并利用易于实现的近邻法进行细胞关联获取细胞运动轨迹和动力学参数，实现近邻多细胞的跟踪。

本发明技术方案可解决在低对比度细胞图像序列下近邻多细胞动力学参数估计，即对近邻多细胞动力学特性存在差异、细胞发生变形、细胞数目时变等情形，在无需细胞检测模块、无需大量的细胞训练样本的基础上，通过蚁群系统的协作与竞争，解决近邻多细胞多参数估计与跟踪难题。

本发明具有以下有益效果：

1)对由于运动或分裂而产生的近邻多细胞情形，能实现自动跟踪，并给出所有细胞动力学特征参数(轨迹、速度)；

2)能实现对进入、离开图像的近邻多细胞自动跟踪。

3)本发明所设计的方法跟踪稳定性高，与手工跟踪方法相比，性能相当，但费时少(大约6s/帧)；与SMAL博士提出的粒子滤波器细胞跟踪方法及REZA教授提出的多贝努利滤波器相比，标签转换率LSR，漏检率LTR及错误跟踪率FTR都显著下降，如表一所示。

表一不同算法跟踪性能比较

附图说明

图1未考虑数据关联情况下本发明结构图。

图2初始蚁群分布图(Th＝23)；

((a)原始图像，(b)背景图像，(c)前景图像，(d)初始蚁群分布图像)。

图3分类结果图(N＝7)；

((a)是分类结果，(b)为区域A的放大图)。

图4细胞跟踪的原始图像序列1。

图5细胞跟踪的原始图像序列2。

图6用我们提出的方法跟踪由于运动产生的近邻多细胞；

((a)多次迭代后蚁群的分布结果，(b)我们提出的方法跟踪的结果)。

图7细胞数目估计结果(与人工跟踪结果对比)；

(○-Manual)。

图8序列2的结果分析；

((a)多次迭代后蚁群的分布结果，(b)我们提出的方法跟踪的结果，(c)第23帧初始蚁群分布结果及利用我们所提出的方法经过多次迭代后的信息素场分布情况)。

图9序列2的结果分析；

((a)x方向上所有细胞位置估计，(b)y方向上所有细胞的位置估计)。

图10序列2的结果分析；

((a)x方向上所有细胞瞬时速度估计，(b)y方向上所有细胞瞬时速度估计)。

图11序列2的结果分析；

((a)x方向上所有细胞位置估计，(b)y方向上所有细胞的位置估计)。

具体实施方式

蚁群：表示一个由多个蚂蚁所构成的集合，其中每个蚂蚁的决策行为是随机的，且行为简单，但蚂蚁个体间相互协作，可共同完成某个复杂任务。

背景提取：背景提取是一种将所感兴趣的目标从图像场景中提取出来的一种技术，它可以将一幅观测到的图像与一幅没有包括所感兴趣目标的估计图像进行比较，在某个比较区域内，若两者比较结果差异较大时，则表明所感兴趣的目标很可能出现在该区域。

K均值聚类方法：是一种非监督实时聚类算法，在最小化误差函数的基础上将数据划分为预定的类数K。运行此算法时必须先确定聚类数目K和迭代次数或收敛条件，并指定K个初始聚类中心，根据一定的相似性度量准则，将每一个数据分配到最近或“相似”的聚类中心，形成类，然后以每一类的平均矢量作为这一类的聚类中心，重新分配，反复迭代直到类收敛或达到最大的迭代次数。

如图1所示，原始图片输入后，利用近似平均方法(Approximate median method)提取细胞的背景图像从而获得初始蚁群分布，然后利用K均值聚类的方法把它粗略的分为N类，每一类分配不同的任务；在此基础上，基于协作与竞争模式的多蚁群决策模块建立了N个独立的子信息素场和总信息素场共同作用在细胞位置估计中构建蚁群决策系统；然后通过合并相似任务子蚁群和去除由杂波导致的虚假目标进行细胞位置估计，最后利用易于实现的近邻法进行细胞关联获取细胞运动轨迹，实现近邻多细胞的跟踪。

实施例1：

初始蚁群分布及粗分类模块，具体步骤为：

1)细胞图像背景提取：利用近似平均方法(Approximate Median Method)提取细胞的背景图像，近似平均方法是一种迭代的方法，把背景图像上的像素值和当前图像的像素值进行对比，如果背景像素大，则背景像素减1，否则加1，最终背景模型就收敛到一个值，用这种方法可以获得背景图像；

2)细胞图像前景获取：当前帧图像像素和背景模型图像相应像素比较，如果两者的差值大于某一阈值，则此像素点属于前景，其公式为：

其中I(i)是当前帧图像，B(i)是且背景图像 $B\left(i\right)=\left\{\begin{array}{ccc}B\left(i\right)+1& \mathrm{if}& I\left(i\right)>B\left(i\right)\\ B\left(i\right)-1& \mathrm{if}& I\left(i\right)<B\left(i\right)\end{array}\right.,$ I₁(i)是前景目标图像，I₂(i)是二值图像；

3)初始蚁群分布：检查二值图像I₂(i)，如果某个像素点i的值为“1”，则将蚂蚁置放在该像素i上，否则，该像素i不分配任何蚂蚁；

4)分类：利用K均值聚类方法把初始蚁群粗略的分为N组子蚁群，每一组有各自的信息素场并在其上工作。

多蚁群决策模块，具体步骤为：

1)针对某一个子蚁群s(s＝1∶N)中的蚂蚁在像素i所在位置，考虑到与其他子蚁群间的竞争与协作，分别考虑总信息素量τ_j(t)和相对量为此，该蚂蚁选择其邻域中某一像素j的概率为：其中似然函数定义为 是第s个子蚁群在像素j上的信息素量，τ_j(t)为信息素 总量，定义为α，β，γ分别为总信息素、似然函数值和信息素相对量的控制参数，H(i)为像素i的近邻像素集，同时释放一定量的信息素(如果他选择像素j)，(未选择，还处于像素i的位置)；

2)当所有蚂蚁按上述概率完成选择后，计算由所释放信息素引起的信息素扩散 $q_{1,j}^s\left(t\right)=\underset{j^{\&prime;}\&Element;H\left(j\right)}{\mathrm{\&Sigma;}}\frac{P}{\left|H\left(j^{\&prime;}\right)\right|}{r}_{j^{\&prime;}}^s\left(t\right)=\frac{P}{\left|H\left(j^{\&prime;}\right)\right|}\underset{j^{\&prime;}\&Element;H\left(j\right)}{\mathrm{\&Sigma;}}\underset{k}{\mathrm{\&Sigma;}}\mathrm{\&Delta;}{r}_{j^{\&prime;}}^{s,k}\left(t\right),$ 更新像素j的信息素量 ${\mathrm{\&tau;}}_j^s(t+1)=\mathrm{\&rho;}{\mathrm{\&tau;}}_j^s\left(t\right)+r_j^s\left(t\right)+q_j^s\left(t\right),$ 更新信息素扩散值 $q_j^s\left(t\right)=q_{1,j}^s\left(t\right)+\underset{j^{\&prime;}\&Element;H\left(j\right)}{\mathrm{\&Sigma;}}\frac{P}{\left|H\left(j^{\&prime;}\right)\right|}{q}_{j^{\&prime;}}^s(t-1);$

3)N组子蚁群完成迭代后，计算总信息素量

4)继续上述步骤1-3，直至所需的迭代次数。

融合及删除模块，具体步骤为：

1)任两组子蚁群s₁，s₂，其对应的信息素均为则最大信息素值所对应的像素为依据细胞大小的先验信息构建相应的正方形方块，计算其面积重叠率O_overlap，若O_overlap＞σ₁，则两个子蚁群组合并，其中σ₁为阈值；

2)虚假目标移除：假定细胞尺寸范围先验已知，若某一子蚁群的蚂蚁数量为则当认为此目标是由杂波或干扰引起的，删除此子蚁群，σ₂为阈值；

3)数据关联：利用易于实现的近邻法进行数据关联获取细胞运动轨迹及相关的动力学参数。

实施例2

本发明用于分析白细胞的例子，经过初始蚁群分布及分类模块、基于协作与竞争模式的多任务蚁群模块、基于综合信息素场的融合及删除模块近邻多细胞跟踪结果如下所示。

图2以序列2中第23帧为例说明了背景提取及初始蚁群分布的结果。图3为在其基础上的分类结果，可看出区域A中包含有三个细胞但被分为了四类，可以通过我们提出的多蚁群系统解决这个问题。图6-7为序列1的序列跟踪结果分析，主要跟踪由于运动产生的近邻多细胞，而且细胞动力学特性各异且细胞数目变化的情况，参数设为(ρ＝0.7，P＝0.8，α＝2.5，β＝1.5，γ＝1)；。由图6看出细胞3在第31帧进入视图而且运动到细胞1附近与细胞1成为近邻细胞，并且运动缓慢。细胞2运动速度很快。细胞4第39帧进入 视图42帧离开。细胞5第40帧进入视图。可以看到我们的方法能跟踪近邻、动态特性各异且数目变化的细胞图像。图7给出了细胞数目估计结果(20次仿真的平均值)并与人工跟踪结果对比。

图8-11为序列2的结果分析，主要跟踪由于细胞运动或分裂产生的近邻多细胞，而且细胞动力学特性各异且细胞数目变化的情况。图8序列2的结果分析，我们提出的方法跟踪的结果，参数设为ρ＝0.8，P＝0.6，α＝2.5，β＝1，γ＝1.1。

由图8(b)看出细胞3在第1帧中部分进入视图，然后向左上方运动，15帧时离开。新细胞5和6第13帧中进入视图，细胞6第17帧中离开。第23帧中细胞4发生了分裂(细胞4分裂为细胞4和细胞7)，在后续帧中所有的细胞都被可靠跟踪。可看到从13帧开始到23帧视图中一直有4个近邻细胞，而在23帧中由于分裂产生3个粘连细胞，利用我们的方法经过50次迭代后信息素场完全被分割开了，所有细胞都被正确跟踪，如图8(c)所示。图9给出了用我们所提出的方法对所有细胞在x和y方向上的位置估计，图10给出了用我们所提出的方法对所有细胞在x和y方向上的瞬时速度的估计，图11给出了不同估计方法对细胞1位置误差估计对比结果。结果显示用我们的方法位置误差远小于粒子滤波和贝努力滤波方法。

Claims (2)

1.一种基于协作与竞争模式的蚁群近邻细胞跟踪系统，其特征在于，包含以下模块：

1)初始蚁群分布及粗分类模块，利用近似平均方法提取细胞的前景图像从而获得初始蚁群分布，然后利用K均值聚类的方法把它粗略的分为N组子蚁群；

2)多蚁群决策模块，基于协作与竞争模式构建N个独立的子信息素场和总信息素场共同作用下的细胞位置估计模块；

3)融合及删除模块，基于信息素场构建，通过合并相似子蚁群和去除由杂波导致的虚假目标进行多细胞位置估计，并利用易于实现的近邻法进行细胞关联获取细胞运动轨迹和动力学参数；

其中，初始蚁群分布及粗分类模块的工作步骤如下：

I)细胞图像背景提取：利用近似平均方法提取细胞的背景图像，近似平均方法是一种迭代的方法，把背景图像上的像素值和当前图像的像素值进行对比，如果背景像素大，则背景像素减1，否则背景像素加1，最终背景模型就收敛到一个值；

II)细胞图像前景获取：当前帧图像像素和背景模型图像相应像素比较，如果两者的差值大于某一阈值，则此像素点属于前景，其公式为：

其中I(i)是当前帧图像，B(i)是背景图像I₁(i)是前景目标图像，I₂(i)是二值图像；

III)初始蚁群分布：检查二值图像I₂(i)，如果某个像素点i的值为“1”，则将蚂蚁置放在该像素i上，否则，该像素i不分配任何蚂蚁；

IV)分类：利用K均值聚类方法把初始蚁群粗略的分为N组子蚁群，每一组有各自的信息素场并在其上工作；

其中，多蚁群决策模块的工作步骤如下：

a)针对某一个子蚁群s中的蚂蚁在像素i所在位置，其中s＝1:N，考虑到与其他子蚁群间的竞争与协作，分别考虑总信息素量τ_j(t)和相对量为此，该蚂蚁选择其邻域中某一像素j的概率为：其中似然函数定义为 是第s个子蚁群在像素j上的信息素量，τ_j(t)为信息素总量，定义为α、β、γ分别为总信息素、似然函数值和信息素相对量的控制参数，H(i)为像素i的近邻像素集，同时释放一定量的信息素；如果蚂蚁选择像素j，则释放一定量的信息素如果蚂蚁未选择，还处于像素i的位置，则释放一定量的信息素其中，似然函数中的μ,υ为控制参数，表示模板库第i个细胞样本的直方图，w_i(j)表示像素(j)的直方图，n表示直方图w中分量数目，|T|代表模板库中细胞样本个数；

b)当所有蚂蚁按上述概率完成选择后，计算由所释放信息素引起的信息素扩散其中P为信息素扩散系数，表示第s组子蚁群，在第t次迭代时，在像素j'上释放的信息素总量，定义为其中为第s组子蚁群中蚂蚁k在第t次迭代时在在像素j'上释放的信息素量；更新像素j的信息素量更新信息素扩散值

c)N组子蚁群完成迭代后，计算总信息素量

d)继续上述步骤a)-c)，直至所需的迭代次数；

其中融合及删除模块的工作步骤如下：

A)任两组子蚁群s₁，s₂，其对应的信息素均为则最大信息素值所对应的像素为依据细胞大小的先验信息构建相应的正方形方块，计算相应的两个正方形方块的面积重叠率O_overlap，若O_overlap＞σ₁，则两个子蚁群组合并，其中σ₁为阈值；

B)虚假目标移除：假定细胞尺寸范围先验已知，若某一子蚁群的蚂蚁数量为则当认为此目标是由杂波或干扰引起的，删除此子蚁群，σ₂为阈值；

C)数据关联：利用易于实现的近邻法进行数据关联获取细胞运动轨迹及相关的动力学参数。

2.一种基于协作与竞争模式的蚁群近邻细胞跟踪方法，其特征在于，步骤如下：

1)将包含有由于运动或分裂而产生的近邻多细胞的图像输入，图像序列利用近似平均方法提取细胞的前景图像从而获得初始蚁群分布，然后利用K均值聚类的方法把它粗略的分为N组子蚁群，每一组有各自的信息素场并在其上工作；

2)构建N个独立的子信息素场和总信息素场共同作用下的细胞位置估计蚁群决策系统；

3)通过合并相似子蚁群和去除由杂波导致的虚假目标进行多细胞位置估计，并利用易于实现的近邻法进行细胞关联获取细胞运动轨迹和动力学参数，实现近邻多细胞的跟踪；

其中，所述步骤1)具体方法如下：

I)细胞图像背景提取：利用近似平均方法提取细胞的背景图像，近似平均方法是一种迭代的方法，把背景图像上的像素值和当前图像的像素值进行对比，如果背景像素大，则背景像素减1，否则背景像素加1，最终背景模型就收敛到一个值；

II)细胞图像前景获取：当前帧图像像素和背景模型图像相应像素比较，如果两者的差值大于某一阈值，则此像素点属于前景，其公式为：

其中I(i)是当前帧图像，B(i)是背景图像I₁(i)是前景目标图像，I₂(i)是二值图像；

III)初始蚁群分布：检查二值图像I₂(i)，如果某个像素点i的值为“1”，则将蚂蚁置放在该像素i上，否则，该像素i不分配任何蚂蚁；

IV)分类：利用K均值聚类方法把初始蚁群粗略的分为N组子蚁群，每一组有各自的信息素场并在其上工作；

所述步骤2)具体方法如下：

a)针对某一个子蚁群s中的蚂蚁在像素i所在位置，其中s＝1:N，考虑到与其他子蚁群间的竞争与协作，分别考虑总信息素量τ_j(t)和相对量为此，该蚂蚁选择其邻域中某一像素j的概率为：其中似然函数定义为 是第s个子蚁群在像素j上的信息素量，τj(t)为信息素总量，定义为α、β、γ分别为总信息素、似然函数值和信息素相对量的控制参数，H(i)为像素i的近邻像素集，同时释放一定量的信息素；如果蚂蚁选择像素j，则释放一定量的信息素如果蚂蚁未选择，还处于像素i的位置，则释放一定量的信息素其中，似然函数中的μ,υ为控制参数，表示模板库第i个细胞样本的直方图，w_i(j)表示像素(j)的直方图，n表示直方图w中分量数目，|T|代表模板库中细胞样本个数；

b)当所有蚂蚁按上述概率完成选择后，计算由所释放信息素引起的信息素扩散其中P为信息素扩散系数，表示第s组子蚁群，在第t次迭代时，在像素j'上释放的信息素总量，定义为其中为第s组子蚁群中蚂蚁k在第t次迭代时在在像素j'上释放的信息素量；更新像素j的信息素量更新信息素扩散值

c)N组子蚁群完成迭代后，计算总信息素量

d)继续上述步骤a)-c)，直至所需的迭代次数；

所述步骤3)具体方法如下：

A)任两组子蚁群s₁，s₂，其对应的信息素均为则最大信息素值所对应的像素为依据细胞大小的先验信息构建相应的正方形方块，计算相应的两个正方形方块的面积重叠率O_overlap，若O_overlap＞σ₁，则两个子蚁群组合并，其中σ₁为阈值；

B)虚假目标移除：假定细胞尺寸范围先验已知，若某一子蚁群的蚂蚁数量为则当认为此目标是由杂波或干扰引起的，删除此子蚁群，σ₂为阈值；

C)数据关联：利用易于实现的近邻法进行数据关联获取细胞运动轨迹及相关的动力学参数。